Aplicación - Supervivencia en el Titanic

Configuración del entorno

# Librerias 
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, confusion_matrix
from sklearn.tree import DecisionTreeClassifier, plot_tree

# Configuración de pandas
import pandas as pd
%matplotlib inline

data = pd.read_csv('titanic_processed.csv')
data.head()

	Survived	Pclass	Sex	Age	SibSp	Parch	Fare	Embarked_C	Embarked_Q	Embarked_S
0	0	3	1	22.0	0	0	7.8958	0	0	1
1	1	3	0	26.0	0	0	7.9250	0	0	1
2	0	3	1	27.0	0	0	7.8958	0	0	1
3	0	2	1	32.0	2	0	73.5000	0	0	1
4	0	3	1	65.0	0	0	7.7500	0	1	0

Exploración

data.describe()

	Survived	Pclass	Sex	Age	SibSp	Parch	Fare	Embarked_C	Embarked_Q	Embarked_S
count	712.000000	712.000000	712.000000	712.000000	712.000000	712.000000	712.000000	712.000000	712.000000	712.000000
mean	0.404494	2.240169	0.636236	29.642093	0.514045	0.432584	34.567251	0.182584	0.039326	0.778090
std	0.491139	0.836854	0.481420	14.492933	0.930692	0.854181	52.938648	0.386597	0.194506	0.415823
min	0.000000	1.000000	0.000000	0.420000	0.000000	0.000000	0.000000	0.000000	0.000000	0.000000
25%	0.000000	1.000000	0.000000	20.000000	0.000000	0.000000	8.050000	0.000000	0.000000	1.000000
50%	0.000000	2.000000	1.000000	28.000000	0.000000	0.000000	15.645850	0.000000	0.000000	1.000000
75%	1.000000	3.000000	1.000000	38.000000	1.000000	1.000000	33.000000	0.000000	0.000000	1.000000
max	1.000000	3.000000	1.000000	80.000000	5.000000	6.000000	512.329200	1.000000	1.000000	1.000000

data.tail()

	Survived	Pclass	Sex	Age	SibSp	Parch	Fare	Embarked_C	Embarked_Q	Embarked_S
707	0	3	1	22.0	0	0	8.0500	0	0	1
708	1	1	1	35.0	0	0	26.2875	0	0	1
709	0	3	1	21.0	0	0	8.4333	0	0	1
710	0	3	1	25.0	0	0	7.2250	1	0	0
711	0	3	1	22.0	0	0	9.0000	0	0	1

data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 712 entries, 0 to 711
Data columns (total 10 columns):
 #   Column      Non-Null Count  Dtype  
---  ------      --------------  -----  
 0   Survived    712 non-null    int64  
 1   Pclass      712 non-null    int64  
 2   Sex         712 non-null    int64  
 3   Age         712 non-null    float64
 4   SibSp       712 non-null    int64  
 5   Parch       712 non-null    int64  
 6   Fare        712 non-null    float64
 7   Embarked_C  712 non-null    int64  
 8   Embarked_Q  712 non-null    int64  
 9   Embarked_S  712 non-null    int64  
dtypes: float64(2), int64(8)
memory usage: 55.8 KB

# Gráficos de distribución
plt.figure(figsize=(14, 10))

plt.subplot(2, 3, 1)
sns.histplot(data['Pclass'], kde=False, bins=3)
plt.title('Distribución de Pclass')

plt.subplot(2, 3, 2)
sns.histplot(data['Sex'], kde=False, bins=2)
plt.title('Distribución de Sex')

plt.subplot(2, 3, 3)
sns.histplot(data['Age'], kde=True, bins=20)
plt.title('Distribución de Age')

plt.subplot(2, 3, 4)
sns.histplot(data['SibSp'], kde=False, bins=5)
plt.title('Distribución de SibSp')

plt.subplot(2, 3, 5)
sns.histplot(data['Parch'], kde=False, bins=5)
plt.title('Distribución de Parch')

plt.subplot(2, 3, 6)
sns.histplot(data['Fare'], kde=True, bins=20)
plt.title('Distribución de Fare')

plt.tight_layout()
plt.show()

C:\Users\sebas\anaconda3\Lib\site-packages\seaborn\_oldcore.py:1119: FutureWarning: use_inf_as_na option is deprecated and will be removed in a future version. Convert inf values to NaN before operating instead.
  with pd.option_context('mode.use_inf_as_na', True):
C:\Users\sebas\anaconda3\Lib\site-packages\seaborn\_oldcore.py:1119: FutureWarning: use_inf_as_na option is deprecated and will be removed in a future version. Convert inf values to NaN before operating instead.
  with pd.option_context('mode.use_inf_as_na', True):
C:\Users\sebas\anaconda3\Lib\site-packages\seaborn\_oldcore.py:1119: FutureWarning: use_inf_as_na option is deprecated and will be removed in a future version. Convert inf values to NaN before operating instead.
  with pd.option_context('mode.use_inf_as_na', True):
C:\Users\sebas\anaconda3\Lib\site-packages\seaborn\_oldcore.py:1119: FutureWarning: use_inf_as_na option is deprecated and will be removed in a future version. Convert inf values to NaN before operating instead.
  with pd.option_context('mode.use_inf_as_na', True):
C:\Users\sebas\anaconda3\Lib\site-packages\seaborn\_oldcore.py:1119: FutureWarning: use_inf_as_na option is deprecated and will be removed in a future version. Convert inf values to NaN before operating instead.
  with pd.option_context('mode.use_inf_as_na', True):
C:\Users\sebas\anaconda3\Lib\site-packages\seaborn\_oldcore.py:1119: FutureWarning: use_inf_as_na option is deprecated and will be removed in a future version. Convert inf values to NaN before operating instead.
  with pd.option_context('mode.use_inf_as_na', True):

# Gráfico de correlación
plt.figure(figsize=(12, 8))
sns.heatmap(data.corr(), annot=True, cmap='coolwarm')
plt.title('Matriz de correlación')
plt.show()

# Gráfico de Supervivencia por clase y sexo
plt.figure(figsize=(14, 6))

plt.subplot(1, 2, 1)
sns.barplot(x='Pclass', y='Survived', data=data)
plt.title('Tasa de Supervivencia por Pclass')

plt.subplot(1, 2, 2)
sns.barplot(x='Sex', y='Survived', data=data)
plt.title('Tasa de Supervivencia por Sexo')

plt.tight_layout()
plt.show()

# Análisis de Outliers o Valores Atípicos
plt.figure(figsize=(14, 6))

plt.subplot(1, 3, 1)
sns.boxplot(x='Pclass', y='Age', data=data)
plt.title('Boxplot de Age por Pclass')

plt.subplot(1, 3, 2)
sns.boxplot(x='Pclass', y='Fare', data=data)
plt.title('Boxplot de Fare por Pclass')

plt.subplot(1, 3, 3)
sns.boxplot(x='Sex', y='Fare', data=data)
plt.title('Boxplot de Fare por Sexo')

plt.tight_layout()
plt.show()

Modelo de regresion logistica

X = data.drop('Survived', axis=1)
y = data['Survived']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

logistic_model = LogisticRegression(max_iter=1000)
logistic_model.fit(X_train, y_train)

LogisticRegression(max_iter=1000)

In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.

y_pred_logistic = logistic_model.predict(X_test)
accuracy_logistic = accuracy_score(y_test, y_pred_logistic)
print(f"Accuracy del modelo de regresión logística: {accuracy_logistic:.2f}")

Accuracy del modelo de regresión logística: 0.83

plt.figure(figsize=(10, 6))
plt.scatter(range(len(y_test)), y_test, label='Real', marker='o', color='blue')
plt.scatter(range(len(y_pred_logistic)), y_pred_logistic, label='Predicho', marker='x', color='red')
plt.xlabel('Índice')
plt.ylabel('Supervivencia')
plt.legend()
plt.title('Real vs Predicho - Modelo de Regresión Logística')
plt.show()

Modelo de Arbol de Desición (Clasificación)

decision_tree_model = DecisionTreeClassifier(random_state=42)
decision_tree_model.fit(X_train, y_train)

DecisionTreeClassifier(random_state=42)

In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.

y_pred_tree = decision_tree_model.predict(X_test)
accuracy_tree = accuracy_score(y_test, y_pred_tree)
print(f"Accuracy del modelo de árbol de decisión: {accuracy_tree:.2f}")

Accuracy del modelo de árbol de decisión: 0.80

plt.figure(figsize=(20, 10), dpi=800)
plot_tree(decision_tree_model, feature_names=X.columns, class_names=['No Sobrevivió', 'Sobrevivió'], filled=True)
plt.title('Árbol de Decisión - Supervivencia del Titanic')
plt.show()

Comparación de diferentes modelos

from sklearn.neighbors import KNeighborsClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC

# Entrenar y evaluar varios modelos
models = {
    'Logistic Regression': LogisticRegression(max_iter=1000),
    'Decision Tree': DecisionTreeClassifier(random_state=42),
    'K-Nearest Neighbors': KNeighborsClassifier(),
    'Random Forest': RandomForestClassifier(random_state=42),
    'Support Vector Machine': SVC()
}

for name, model in models.items():
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    accuracy = accuracy_score(y_test, y_pred)
    print(f'{name} Accuracy: {accuracy:.2f}')

Logistic Regression Accuracy: 0.83
Decision Tree Accuracy: 0.80
K-Nearest Neighbors Accuracy: 0.68
Random Forest Accuracy: 0.80
Support Vector Machine Accuracy: 0.69

Conclusión

En este ejercicio, se desarrollaron dos modelos de clasificación para predecir la supervivencia de los pasajeros del Titanic utilizando un conjunto de datos procesado. Primero, se implementó un modelo de regresión logística, que logró una precisión satisfactoria en el conjunto de prueba, cercana al 83%. Este modelo fue evaluado mediante la precisión y visualizado a través de un gráfico de dispersión, mostrando un buen rendimiento general.

Luego, se desarrolló un modelo de árbol de decisión, que también alcanzó una precisión comparable de 80%. Este modelo fue visualizado con un gráfico del árbol, proporcionando una interpretación clara de cómo las diferentes características influyen en la predicción de la supervivencia.

Ambos enfoques demostraron ser efectivos para la tarea de clasificación. Este ejercicio ilustra la importancia de probar diferentes modelos y técnicas para encontrar la mejor solución posible para un problema de clasificación